如何利用Keras的扩展性

本文主要是介绍如何利用Keras的扩展性，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

转自：http://blog.csdn.net/hewb14/article/details/53414068

Keras是一个用于在Python上搭神经网络模型的框架，语法和torch比较相似。我个人认为Keras最大的特点是包装很好，一些在训练过程中要输出的方法和常用的优化函数、目标函数都已经内置了，非常适合用来写大作业。Keras和python的哲学有些相似，那就是尽量不自己造轮子。

但是最近逛知乎，看到有答案说，Keras只能用来搭一些世面上已经普及的网络，和其它框架相比比较小白。换句话说，就是Keras的扩展性不好。作为一个试用过theano、tensorflow、torch、caffe等框架，最后定居在Keras的人，我对此不太同意。事实上，Keras拥有不错的扩展性，这一方面是因为设计时就留好的接口，另一方面是因为清晰的代码结构，让你可以有很多自定义的空间。所以下面用几个例子介绍在Keras中如何自定义层和各种方法。

0、backend

如果想在Keras中自定义各种层和函数，一定会用到的就是backend。一般导入的方法是

[python]  view plain copy  
 from keras import backend as K  

这是因为Keras可以有两种后台，即theano和tensorflow，所以一些操作张量的函数可能是随后台的不同而不同的，

通过引入这个backend，就可以让Keras来处理兼容性。

比如求x的平均，就是K.mean(x)。backend文件本身在keras/backend文件夹下，可以通过阅读代码来了解backend都支持哪些操作。backend里面函数很多，一般都够用了。

1、Lambda 层

如果你只是想对流经该层的数据做个变换，而这个变换本身没有什么需要学习的参数，那么直接用Lambda Layer是最合适的了。

导入的方法是

[python]  view plain copy  
 <span style="font-size:18px;">    from keras.layers.core import Lambda</span>  

Lambda函数接受两个参数，第一个是输入张量对输出张量的映射函数，第二个是输入的shape对输出的shape的映射函数。比如想构建这样一个层，流经该层的数据会被减去平均值，那么可以这样定义：

[python]  view plain copy  
 <span style="font-size:18px;">def sub_mean(x):  
     x -= K.mean(x,axis=1,keepdims=True)  
     return x  
 model.add( Lambda(sub_mean,output_shape=lambda input_shape:input_shape ))</span>  

因为输出的shape和输入的shape是一样的，第二个参数就直接用了恒等映射。

把模型完整地建立出来：

[python]  view plain copy  
 <span style="font-size:18px;">def get_submean_model():  
     model = Sequential()  
     model.add(Dense(5,input_dim=7))  
     def sub_mean(x):  
         x -= K.mean(x,axis=1,keepdims=True)  
         return x  
     model.add( Lambda(sub_mean,output_shape=lambda input_shape:input_shape))  
     model.compile(optimizer='rmsprop',loss='mse')  
     return model  
 model = get_submean_model()  
 res=model.predict(np.random.random((3,7)))</span>  

得到地res的平均值是[ 5.96046448e-08 -5.96046448e-08 0.00000000e+00]，可见确实实现了减去均值的作用。

2、自定义非递归层

如果自己想定义的层中有需要学习的变量，那么就不能用lambda层了，需要自己写一个出来。

比如说我想定义一个层，它的效果是对张量乘一个正对角阵（换句话说，输入向量与一个要学习的向量逐元素相乘），那么可以这样写：

首先要导入基类 from keras.engine.topology import Layer

然后对MyLaber定义如下：

[python]  view plain copy  
 <span style="font-size:18px;">class MyLayer(Layer):  
     def __init__(self,output_dim,**kw):  
         self.output_dim = output_dim  
         super(MyLayer,self).__init__(**kw)  
     def build(self,input_shape):  
         input_dim = input_shape[1]  
         assert(input_dim == self.output_dim)  
         inital_SCALER = np.ones((input_dim,))*1000  
         self.SCALER = K.variable(inital_SCALER)  
         self.trainable_weights = [self.SCALER]  
         super(MyLayer,self).build(input_shape)  
     def call(self,x,mask=None):  
         #return x - K.mean(x,axis=1,keepdims=True)  
         x *= self.SCALER  
         return x  
     def get_output_shape_for(self,input_shape):  
         return input_shape</span>  

主要参照Keras内置的层的写法，比如Dense在keras/layers/core.py中，要把能学习的参数放在self.trainable_weights中。这里把初始值设成了1000是为了让该层的效果更显著。然后把模型写全来测试一下

[python]  view plain copy  
 <span style="font-size:18px;">def get_mylayer_model():  
     model = Sequential()  
     model.add(Dense(5,input_dim=7))  
     model.add(MyLayer(5))  
     model.compile(optimizer='rmsprop',loss='mse')  
     return model  
 model = get_mylayer_model()  
 res=model.predict(np.random.random((3,7)))  
 print res</span>  

res如下：

[[ 271.2746582 -1053.31506348 147.17185974 -1120.33740234 609.54876709]
[ -263.69671631 -390.41921997 291.17721558 -594.58721924 615.97369385]
[ -46.58752823 -733.11328125 -21.9815979 -570.79351807 649.44158936]]

都是很大的数，而不加MyLayer时每个值一般也不超过+-2，这个层确实起了作用。

在fit之前调用model.get_weights()，看到该层的权重都是1000，随便随机出来个测试集，fit几千个epoch只后，loss变得很小，MyLayer的权重变成了997左右，而前面一层Dense的权重都成10^-4量级，说明MyLayer中的参数也确实是可学习的。

3、自定义损失函数

Keras内置的损失函数都在keras/objectives.py中，比如mse的定义是：

[python]  view plain copy  
 <span style="font-size:18px;">def mean_squared_error(y_true, y_pred):  
     return K.mean(K.square(y_pred - y_true), axis=-1)</span>  

按照相同的格式，可以定义自己的损失函数。比如我们想要差值的4次方的平均作为损失函数：

[python]  view plain copy  
 <span style="font-size:18px;">def my_object(y_true,y_pred):  
     return K.mean(K.square(K.square(y_pred-y_true)),axis=-1)</span>  

把模型写全：

[python]  view plain copy  
 def get_myobj_model():  
     model = Sequential()  
     model.add(Dense(5,input_dim=7))  
     model.add(Dense(3))  
     def my_object(y_true,y_pred):  
         return K.mean(K.square(K.square(y_pred-y_true)),axis=-1)  
     model.compile(optimizer='sgd',loss=my_object)  
     return model  
 model = get_myobj_model()  

能自定义损失函数是非常重要一环，它极大的扩展了网络的应用。例如希望用cnn训练出来一个前后景分割的滤波器，它的输出的像素在对应前景的位置是1，在对应后景的位置是0。不但希望网络输出的值的mse小，而且希望0和1分别都连在一起，不要出来雪花状的输出。那么自定义损失函数就能做到了，实际是把两个损失函数放到了一个损失函数中。

另外一些很有用的损失函数如warp-ctc，就可以在这里集成进模型。

4、自定义递归层

递归层的定义方法和非递归层不太一样。根据Keras内LSTM的写法，它还有一个reset_states函数和step函数，这是由递归的性质决定的。例子都在keras/layers/recurrent.py中。

之前看学长用lasagne写的LSTM的变体，看得我想哭，还不如在Keras中把LSTM得代码复制过来修修改改。不过LSTM也不能直接复制过来，还需要import几个依赖：

[python]  view plain copy  
 rom keras.layers.recurrent import LSTM,Recurrent,time_distributed_dense  
 from keras import initializations,regularizers,activations  
 from keras.engine import InputSpec  

5、自定义优化函数

Keras的代码确实好，耦合度很低。Keras内置的优化函数在keras/optimizers.py中，基类Optimizer也在这个文件里。例如把它内置的SGD算法拷贝到自己的文件中，只要先from keras.optimizers import Optimizer就能编译通过。

有时候要得到state-of-the-art的结果，需要用sgd加动量法充分收敛。比如学习率0.01学习上100epoch，再把学习率减半，再学100epoch，依次类推。如果不自定义优化函数的话，就要分阶段调用fit函数，修改学习率，可能还要重新compile。这就不是很优美了。其它一些奇葩的学习策略，也可以通过自定义优化函数来得到。

6、后记

Keras确实非常强大，不但能用来写大作业，做一些研究也够用了。Yeah

这篇关于如何利用Keras的扩展性的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！